1. 卡方检验：从理论到实战的完全指南
卡方检验是统计学中最常用的非参数检验方法之一，它主要用于检验分类变量之间的独立性或拟合优度。在实际工作中，我经常用它来分析用户行为数据，比如检验不同年龄段用户对产品功能的偏好是否存在显著差异。
卡方检验的核心思想是比较观察值与理论值之间的差异程度。举个例子，假设我们运营一个内容平台，想验证用户性别（男/女）是否与内容类型偏好（科技/时尚）相关。我们可以收集以下列联表数据：
import pandas as pd from scipy.stats import chi2_contingency data = pd.DataFrame({ '科技': [120, 80], # 男性120人喜欢科技，女性80人 '时尚': [30, 70] # 男性30人喜欢时尚，女性70人 }) chi2, p, dof, expected = chi2_contingency(data) print(f"卡方值={chi2:.2f}, p值={p:.4f}")这段代码会输出卡方统计量和对应的p值。根据我的经验，当p值小于0.05时，我们通常认为两个变量存在显著关联。在上面的例子中，很可能会得到显著结果，说明性别确实影响内容偏好。
卡方检验有几个关键注意事项：
- 每个单元格的期望频数不应小于5，否则可能需要使用Fisher精确检验
- 样本应该相互独立，同一个用户不应出现在多个单元格中
- 变量应该是分类变量，如果是连续变量需要先进行离散化处理
2. t检验：小样本比较的利器
t检验是处理小样本均值比较问题的黄金标准。我在分析A/B测试结果时，最常用的就是独立样本t检验。比如比较两个不同推荐算法带来的用户停留时间差异。
t分布有一个有趣的特点：当自由度较小时，它比正态分布更"扁平"，随着自由度增加，逐渐接近正态分布。这在实际应用中意味着，对于小样本(n<30)，我们需要使用t检验而不是z检验。
假设我们测试新老两种教学方法的效果，收集了两组学生的考试成绩：
from scipy.stats import ttest_ind old_method = [78, 82, 85, 79, 83] new_method = [85, 88, 92, 87, 90] t_stat, p_value = ttest_ind(new_method, old_method) print(f"t统计量={t_stat:.2f}, p值={p_value:.4f}")这里需要注意方差齐性假设。如果两组数据的方差差异较大，应该使用Welch's t检验，只需设置equal_var=False参数。
我在实际项目中总结出几个t检验的实用技巧：
- 检查正态性假设：可以通过Shapiro-Wilk检验或QQ图验证
- 考虑效应量：除了p值，还应该计算Cohen's d等效应量指标
- 注意单双尾检验的选择：通常使用双尾，除非有明确的方向性假设
3. F检验与方差分析实战
F检验最常见的应用场景就是方差分析(ANOVA)。我记得有一次分析三种不同网页设计对转化率的影响，就使用了单因素方差分析。
F分布有一个重要特性：它是两个独立卡方分布变量的比值。这使得它特别适合用于比较方差。在方差分析中，我们实际上是比较组间方差和组内方差的比值。
下面是一个典型的单因素方差分析案例，比较三种不同肥料对作物产量的影响：
from scipy.stats import f_oneway fertilizer_A = [20, 22, 24, 21, 23] fertilizer_B = [18, 20, 19, 21, 20] fertilizer_C = [25, 27, 26, 28, 24] f_stat, p_value = f_oneway(fertilizer_A, fertilizer_B, fertilizer_C) print(f"F统计量={f_stat:.2f}, p值={p_value:.4f}")如果ANOVA结果显示显著，我们还需要进行事后检验（如Tukey HSD）来具体比较哪些组别之间存在差异。
在多因素方差分析中，F检验可以帮我们评估各个因素的主效应和交互效应。比如同时分析广告设计和投放时段对点击率的影响。这种情况下，使用统计模型（如Python的statsmodels库）会更方便：
import statsmodels.api as sm from statsmodels.formula.api import ols model = ols('click_rate ~ C(design) + C(time) + C(design):C(time)', data=df).fit() anova_table = sm.stats.anova_lm(model, typ=2) print(anova_table)4. 三大分布的综合应用案例
在实际数据分析项目中，我们经常需要综合运用这些检验方法。让我分享一个真实的案例：分析某电商平台的用户行为数据。
首先，我们使用卡方检验验证用户设备类型（手机/电脑）与购买行为（购买/未购买）是否独立：
contingency_table = pd.crosstab(df['device'], df['purchased']) chi2, p, dof, expected = chi2_contingency(contingency_table)接着，对购买用户的消费金额，使用t检验比较不同性别的差异：
male_spend = df[df['gender']=='M']['spend'] female_spend = df[df['gender']=='F']['spend'] t_stat, p_value = ttest_ind(male_spend, female_spend)最后，使用ANOVA分析不同年龄段（18-25，26-35，36-45）用户的页面停留时间：
age_groups = [df[df['age_group']==g]['time_on_page'] for g in ['18-25','26-35','36-45']] f_stat, p_value = f_oneway(*age_groups)在这个过程中，我发现有几个常见陷阱需要注意：
- 多重比较问题：进行多次检验会增加假阳性风险，需要校正p值
- 数据预处理：异常值会对t检验和ANOVA产生很大影响
- 效应量解读：统计显著不等于实际意义显著
理解这些分布背后的假设和限制，比单纯会运行检验更重要。比如卡方检验对样本量敏感，t检验对正态性敏感，而ANOVA需要方差齐性。选择合适的检验方法，往往比复杂的分析技术更能保证结果的可靠性。
